CRAN - Campus Sciences
BP 70239 - 54506 VANDOEUVRE Cedex
Tél : +33 (0)3 72 74 52 90 Fax : +33 (0)3 72 74 53 08
cran-secretariat@univ-lorraine.fr
 
 
Sujet de Thèse : Développement de méthodes de surveillance d'intégrité des structures par apprentissage statistique. Application aux structures tubulaires.
Dates : 2015/04/29 - 2018/04/30
Etudiant : Mahjoub EL MOUNTASSIR
Directeur(s) CRAN : Didier MAQUIN , Gilles MOUROT
Description : Reposant sur les technologies du contrôle non destructif, les approches appelées Structural Health Monitoring, (SHM, que l'on appellera également ultérieurement « Surveillance de l'intégrité des structures ») permettent d'anticiper les dégradations d'une structure pour éviter les accidents. Adossés à des systèmes de traitement statistique, elles permettent aussi d'optimiser la durée de vie des produits, tout en réduisant les coûts de maintenance.

Le déploiement des approches SHM répond à l'exigence de maintien dans le temps de la qualité des produits. Le principal objectif consiste à garantir la « santé » des structures, à prolonger leur durée de vie, à anticiper leurs défaillances et à renforcer leurs performances. Le SHM s'inscrit donc dans une stratégie à la fois économique, commerciale et sécuritaire pour les industriels.

La surveillance de l'intégrité des structures repose sur la collecte d'informations qui peuvent être de nature diverses selon la structure à contrôler. L'étude proposée se focalisera plus particulièrement sur deux méthodes : le Contrôle par Emission Acoustique et le Contrôle par Ondes Ultrasonores Guidées (OUG) avec une application privilégiée aux structures tubulaires.

L'application des OUG au contrôle des structures tubulaires est un domaine en pleine effervescence et plusieurs normes nationales et internationales existent ou sont en cours de mise en place. Cependant, les ondes guidées dans une enveloppe cylindrique sont constituées d'un nombre infini de modes, dont la plupart, hautement dispersifs, se déplacent le long de trajets multiples. En conséquence, les changements produits par de petits dommages sont difficiles à reconnaître dans cette forme d'onde complexe. La détection de dommages devient encore plus difficile lorsque les modifications des conditions opératoires et environnementales (changements de température, d'humidité en surface, de débit et/ou de pression du fluide dans le tube, etc) tendent à masquer les changements causés par des endommagements. C'est le principal défi à surmonter pour pouvoir déployer avec succès un système SHM sur une application industrielle.

L'objectif d'un système SHM est de détecter la présence d'un dommage par comparaison à une référence, de le localiser sur la structure, d'identifier le type et le degré de sévérité de ce dommage et éventuellement d'en réaliser un pronostic d'évolution.

Les approches à base de modèle nécessitent un modèle précis de la structure à surveiller ; cependant, à notre connaissance, il n'existe pas dans la littérature d'étude suffisamment aboutie permettant d'intégrer dans un modèle de tube fonctionnant en temps réel, l'influence des principales conditions opératoires et environnementales. L'alternative consiste à reconnaître dans les signaux mesurés sur une structure des signatures caractéristiques des dommages présents sur celle-ci. Schématiquement, elle est décomposée en deux phases : une phase d'apprentissage permettant de définir à partir de données, les signatures des dommages et la règle de décision permettant de les reconnaître, et une phase d'exploitation en ligne de cette procédure de diagnostic. Lors de l'apprentissage, deux étapes sont particulièrement importantes : l'extraction de caractéristiques sensibles aux dommages à détecter à partir des signaux et la définition, à partir d'un ensemble de données, de la règle de décision (ou classifieur) qui permet d'associer les caractéristiques extraites à un instant à des états de référence correspondant à des situations saine ou avec dommages. Cet apprentissage est considéré comme supervisé lorsque les données utilisées lors de l'apprentissage contiennent des exemples identifiés obtenus sur la structure saine et endommagée. Par contre, l'apprentissage est dit non supervisé lorsqu'aucune connaissance sur l'appartenance des observations d'apprentissage aux états sain ou endommagés de la structure est disponible.

Le sujet de recherche proposé s'articule autour des points essentiels suivants :

1) Utilisation d'un banc d'expérimentation (disponible au sein de l'Institut de Soudure) pour déterminer les caractéristiques utiles à la détection de dommages dans le cas de l'apprentissage à une classe (One-class Support Vector Machines ou OC-SVM en anglais) (prise en compte de la notion de robustesse par rapport aux variations opérationnelles et environnementales)

2) Utilisation d'une approche multi-classifieur "une classe" pour améliorer la sensibilité aux défauts tout en augmentant encore la robustesse par rapport aux variations opérationnelles et environnementales.

3) Caractérisation du degré de sévérité des dommages en utilisant des indicateurs de proximité aux frontières de décision des classifieurs OC-SVM.

4) Validation sur des cas réels (un pilote sera mis à disposition par l'Institut de Soudure)

5) Réflexion sur la mise en ligne des méthodes développées. Quand le classifieur peut-il être considéré "opérationnel". Recours éventuel à l'apprentissage incrémental pour améliorer les résultats.
Mots clés :
Département(s) :
Contrôle Identification Diagnostic
Financement : CIFRE Institut de Soudure